Measuring the Applicability of Intersection-Based Older Driver Training Programs
Notice bibliographique
Résumé
Older drivers remain overrepresented in intersection crashes. Previous evidence suggests that the primary reason for this lies with their lack of scanning for potential threat vehicles while entering stop-controlled intersections. More so, secondary glances prove critical when the conditions obscure potential threat vehicles while approaching the intersection. Currently, simulator-based older driver training programs have proven effective in increasing the frequency of secondary glances taken by older drivers up to 2 years following the training. However, both the need for a full-scale driving simulator and participant dropout rates because of simulator sickness within training programs continue to limit the applicability of these alternatives. This study used a series of micro-scenarios to train older drivers in secondary glances, thus reducing the potential for participant dropouts resulting from simulator sickness. In addition, driver immersion levels varied across multiple training platforms, ranging from low to medium . A total of 91 participants between 67 and 86 years old were assigned to one of five groups. Three groups were provided active, secondary glance training on a driving simulator (one on a low immersion simulator and two on medium immersion simulators), a fourth group was provided passive training using a PowerPoint presentation, and the last group was a control with no training. Following training, all participants were evaluated in their personal vehicles while wearing head-mounted cameras. The medium immersion group resulted in the highest percentage of secondary glances (82%), whereas the control group resulted in the lowest percentage (42%). The results provide evidence to suggest that the training programs using micro-scenarios in medium and low immersion simulators can increase the frequency of secondary glances without having high dropout rates caused by simulator sickness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».